今天主要实现了用神经网络实现鸢尾花分类
主要实现代码：
# -*- coding: UTF-8 -*-
# 利用鸢尾花数据集，实现前向传播、反向传播，可视化loss曲线
import tensorflow as tf
from sklearn import datasets
from matplotlib import pyplot as plt
import numpy as np
# 导入数据，分别为输入数据和特征
x_data = datasets.load_iris().data
y_data = datasets.load_iris().target
# 数据集乱序，提高准确率
# seed: 随机数种子，是一个整数，当设置之后，每次生成的随机数都一样（为方便教学，以保每位同学结果一致）
np.random.seed(116) # 使用相同的seed，保证输入特征和标签一一对应
np.random.shuffle(x_data)
np.random.seed(116)
np.random.shuffle(y_data)
tf.random.set_seed(116)
# 将打乱后的数据分割为训练集和测试集 训练集为前120行，测试集为后30行
x_train = x_data[:-30]
y_train = y_data[:-30]
x_test = x_data[-30:]
y_test = y_data[-30:]
# 转换x的数据类型，否则后面矩阵相乘时会因数据类型不一致报错
x_train = tf.cast(x_train, tf.float32)
x_test = tf.cast(x_test, tf.float32)
# from_tensor_slices函数使输入特征和标签值一一对应。（把数据集分批次，每个批次batch组数据）
train_db = tf.data.Dataset.from_tensor_slices((x_train, y_train)).batch(32)
test_db = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)
# 定义神经网络中所有可训练参数
# 生成神经网络的参数，4个输入特征故，输入层为4个输入节点；因为3分类，故输出层为3个神经元
# 用tf.Variable()标记参数可训练
# 使用seed使每次生成的随机数相同（方便教学，使大家结果都一致，在现实使用时不写seed）
w1 = tf.Variable(tf.random.truncated_normal([4, 3], stddev=0.1, seed=1))
b1 = tf.Variable(tf.random.truncated_normal([3], stddev=0.1, seed=1))
# 学习率为0.1
lr = 0.1
# 将每轮的loss记录在此列表，方便画loss曲线
train_loss_results = []
# 将每轮的acc记录在此列表，方便画acc曲线
test_acc = []
# 循环500轮
epoch = 500
# 每轮4个step,loss_all记录四个step生成的4个loss的和
loss_all = 0
# 训练
for epoch in range(epoch):
# batch级别的循环 ，每个step循环一个batch
for step, (x_train, y_train) in enumerate(train_db):
# with结构记录梯度信息
with tf.GradientTape() as tape:
# 神经网络乘加运算
y = tf.matmul(x_train, w1) + b1
# 使输出y符合概率分布
y = tf.nn.softmax(y)
# 将标签值转换成独热码格式，方便计算loss和accuracy
y_ = tf.one_hot(y_train, depth=3)
# 采用均方误差损失函数mse = mean(sum(y-out)^2)
loss = tf.reduce_mean(tf.square(y_ - y))
# 将每个step计算出的loss累加，为后续求loss平均值提供数据
loss_all += loss.numpy()
# 计算loss对各个参数的梯度
grads = tape.gradient(loss, [w1, b1])
# 实现梯度更新 w1 = w1 - lr * w1_grad b = b - lr * b_grad
w1.assign_sub(lr * grads[0]) # w1
b1.assign_sub(lr * grads[1]) # b
# 每个epoch打印loss信息
print("Epoch {},loss: {}".format(epoch, loss_all / 4))
# 将4个step的loss求平均值记录在此变量
train_loss_results.append(loss_all / 4)
loss_all = 0
# 测试部分
total_correct, total_number = 0, 0
for x_test, y_test in test_db:
# 使用更新后的参数预测
y = tf.matmul(x_test, w1) + b1
y = tf.nn.softmax(y)
# 返回y中最大值的索引，即预测的分类
pred = tf.argmax(y, axis=1)
# 将pred转换成y_test的数据类型
pred = tf.cast(pred, dtype=y_test.dtype)
# 分类正确，则correct=1,否则为0
correct = tf.cast(tf.equal(pred, y_test), dtype=tf.int32)
# 加起来每个correct数
correct = tf.reduce_sum(correct)
total_correct += int(correct)
# total_number为总样本数，也就是x_test的行数
total_number += x_test.shape[0]
# 总的准确率= total_correct / total_number
acc = total_correct / total_number
test_acc.append(acc)
print("Test_acc:", acc)
print("------------------------")
# 绘制loss曲线
plt.title("Loss Function Curve")
plt.xlabel('Epoch')
plt.ylabel('Loss')
# 逐点画出trian_loss_results值并连线，连线图标是Loss
plt.plot(train_loss_results, label="$Loss$")
plt.legend()
plt.show()
# 绘制Accuracy曲线
plt.title("Acc Curve")
plt.xlabel('Epoch')
plt.ylabel('Acc')
# 逐点画出trian_loss_results值并连线，连线图标是Accuracy
plt.plot(test_acc, label="$Accuracy$")
plt.legend()
plt.show()